Coletando dados das Estatísticas Fiscais com o Python

A Política Fiscal possui papel significativo na política econômica de um país, atuando na provisão de bens públicos, na minimização de recessões econômicas e como fonte de redistribuição de renda. Portanto, é necessário a compreensão dos principais indicadores fiscais do país, realizando uma análise de dados dessas estatísticas de forma a entender a conjuntura econômica. Neste post de hoje, ensinaremos a capturar os dados do resultado nominal, juros nominal e do resultado primário do Brasil utilizando o Python.

Para exercer uma politica fiscal, um governo necessita de instrumentos do lado da despesa (gasto público) e da receita (arrecadação tributária). Do confronto entre esses dois indicadores, é possível entender se um país, em determinado período, incorreu de superávits ou déficits, cada qual possuindo uma implicação e efeitos em outras variáveis macroeconômicas de curto e longo prazo.

Para averiguar os resultados fiscais do Brasil, podemos buscar as Estatísticas Fiscais disponibilizadas pelo Banco Central. É através do banco de dados da entidade que obteremos os resultados do Setor Público Consolidado (governo central, isto é, formado pelo governo federal, estados, munícipios e estatais). Dentre os indicadores que buscaremos, serão:

  • Resultado nominal - Total - Setor público consolidado (sem desvalorização cambial): representa a variação nominal dos saldos da dívida liquida, fornecendo também informações sobre o confronto entre receitas e despesas totais, ou seja, se houve superávit ou déficit.
  • Juros Nominais - Total - Setor público consolidado (sem desvalorização cambial): representa o fluxo de juros, incidentes sobre a dívida interna e externa do pais,. É determinado pelo nível da taxa de juros nominal e pela dimensão do estoque da dívida.
  • Resultado Primário - Total - Setor público consolidado (sem desvalorização cambial): corresponde ao resultado nominal menos o juros nominais. É equivalente também da diferença entre as receitas primárias e despesas primárias.

Para capturar os indicadores, utilizaremos a biblioteca python-bcb, que nos fornecerá o módulo sgs, que nos permitirá buscar dados do Sistema Gerenciador de Séries Temporais.  É através do códigos fornecidos pelo Sistema que poderemos importar os dados direto no python. Para aprender como é possível utilizar a biblioteca, veja o post Coletando dados do Banco Central com Python.

Uma vez coletados os dados das Estatísticas Fiscais, poderíamos utilizados para realizar a análise e tomar interpretações econômicas, entretanto, os dados estão a preços de mercado, portanto, é interessante antes de qualquer estudo deflacionar os dados e entender como as séries foram representadas ao longo do tempo.

Para tanto, podemos buscar a série do IPCA para que possamos deflacionar os dados. Utilizamos a biblioteca ipeadatapy para capturar os dados do IPCA. Para entender mais sobre a biblioteca, veja o post Coletando dados do IPEADATA com Python .

Com os dados em mãos, aplicamos o cálculo de deflacionamento na série das Estatísticas Fiscais. É possível entender mais sobre esta questão no post Deflacionando dados no Python. Após a construção do deflator, o multiplicamos com os valores dos dados utilizando o método mult().

Por fim, utilizamos o método rolling() e sum() para criar uma janela móvel de 12 meses para que seja feito a soma dos valores. Essa acumulação é útil para que possamos interpretar os caminhos dos resultados fiscais em um período de tempo maior, ao invés de nos ater a períodos de curto prazo.

Podemos enfim analisar os resultados das estatísticas fiscais por meio de gráficos, abaixo, plotamos as séries utilizando o seaborn e o matplolib.

 

________________________________________

Quer saber mais?

Veja nossos cursos de Macroeconomia através da nossa trilha de Macroeconomia Aplicada.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.